此外,还将激发并引入四分之一尾依赖的新概念(稍后用于确定我们的两种制度)。在第3节中,我们首先对我们的股票和波动率数据进行静态应用,确定全球和各大洲各自的合理R-vine结构。第4节总结了St"ober和Czado(2014)提出的状态转换R-vine copulas的必要准备工作和结果。然后,在第5节中,我们进行了广泛的滚动窗口分析,以确定适合“正常”和“异常”状态的copula族。对不同的马尔可夫切换模型进行了估计、讨论,并与静态模型进行了比较。简要总结结束本文。所有计算均使用统计软件包R进行。对于上述边际模型,我们应用了Ghalanos(2011)R包rugarch中的函数ugarch fit。所有vine Copula计算,如模型选择、似然计算和参数估计,都是通过Schepsmeier et al.(2015)的R包VineCopula进行的。马尔可夫切换R-vine copula模型的拟合基于St"ober和Czado(2014)的代码。创新的分布指标边际模型NKY ARMA(3,2)-GARCH(1,1)GHYPVNKYARMA(3,0)-GARCH(1,1)GHYPHSI ARMA(0,0)-GARCH(1,1)GHYPVHSI ARMA(4,2)-GARCH(1,1)GHYPDAX ARMA(0,0)-GARCH(1,1)GHYPVDAX ARMA(0,0)-EGARCH(1,1)GHYPSX5E ARMA(1,0)-GARCH(1,1)GHYPVSX5E ARMA(3,0)-GARCH(1,1)GHYPSPX ARMA(3,0)-GARCH(1,1)GHYPVIX ARMA(3,0)-GARCH(1,1)GHYPBBC ARMA(0,0)-GARCH(1,1)可加密2: 边际时间序列的选定模型和创新分布,其中Ghyp代表广义双曲分布。2.